O czym jest ten film
- Teza otwierająca: agenty AI korzystają z twojego komputera częściej niż ty — i zostawiają po sobie działające serwery, otwarte karty oraz pliki, jak nieporządny współlokatór, z którym nikt nie ustalił zasad.
- Szybszy procesor ani więcej RAM nie rozwiążą problemu: obciążenie generowane przez agenty stale rośnie, więc potrzebne są „zasady domu”, a nie tylko mocniejszy sprzęt.
- Diagnostyka zaczyna się w Monitorze aktywności (kolorowy wykres obciążenia pamięci) i w ustawieniach dysku — dopiero potem ma sens rozmowa o zakupach.
- Nawet gdy model liczy w chmurze, lokalnie pracują serwer deweloperski, przeglądarka i narzędzia budowania — realny koszt zasobów ponosisz na własnej maszynie.
- Łatki producentów (np. odchudzenie pamięciowe Codexa ze strony OpenAI) nie wystarczą, jeśli równolegle prowadzisz kilka środowisk agentowych.
- Dane ze zgłoszeń użytkowników: foldery raportów awarii ponad 50 GB, ponad 100 GB obiektów Gita, około 37 TB zapisów na SSD w 21 dni — oprogramowanie agentowe potrafi zapychać maszynę samo z siebie.
- Cztery zasady porządku: wiedz, gdzie wykonuje się praca; dawaj każdemu agentowi znak stopu; rozkładaj obciążenie w czasie; prowadź stałą konserwację.
- Widełki sprzętowe autora: 24–32 GB RAM (16 GB wymaga więcej uwagi), dysk 512 GB–1 TB; Mac mini M6 od 899 USD w bazie, konfiguracja do 32 GB, Mac mini M5 Pro do 64 GB od 1699 USD.
- NPU, które reklamują producenci chipów, to nie cudowny lek — optymalizujesz cały system: pamięć, dysk i procesor razem.
- Stary komputer podłączony przez Tailscale może stać się dedykowaną „maszyną agentową” i odciążyć nowy sprzęt — znacznie taniej niż zakup.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Agenty to współlokatorzy — ustal z nimi zasady domu
Na czym polega: Agenty otwierają przeglądarki, startują serwery, zapisują pliki i zostawiają większość po sobie. Mocniejszy chip tego nie zmieni, bo obciążenie rośnie razem z możliwościami samych agentów.
Jak stosować: Zamiast kolejnego upgrade’u wdroż „regulamin wspólnego mieszkania”: audyt zasobów, warunki kończenia zadań, harmonogram obciążenia i cykliczna konserwacja.
Na co uważać: Na pokusę „kupię sobie wyjście z problemu”. Można dokupić pojemność, ale nie da się wykupić z samego problemu — agenty będą coraz głodniejsze.
2.Zanim kupisz — przegląd w Monitorze aktywności
Na czym polega: macOS pokazuje wprost stan pamięci: wykres obciążenia zmienia kolor z zielonego (spokój) na żółty i czerwony (maszyna się dusi). Widać też, które aplikacje pochłaniają RAM.
Jak stosować: Otwórz Monitor aktywności → zakładka „Pamięć” podczas rzeczywistej pracy z agentami; potem Ustawienia systemowe → Ogólne → Pamięć masowa. Obserwuj, nie zgaduj.
Na co uważać: Wysokie zużycie RAM samo w sobie nie jest wyrokiem — to sygnał, że trzeba przyjrzeć się systemowi, a nie automatyczny nakaz zakupu.
3.RAM to przestrzeń robocza, dysk to magazyn — agenty blokują oba
Na czym polega: macOS potrafi używać dysku jako pamięci wymiany (swap) — jak chwilowa blokada środków na karcie płatniczej. Każde środowisko agentowe trzyma takie „blokady”, a przy kilku narzędziach naraz wszystko się sumuje.
Jak stosować: Policz, ile programów agentowych i pomocniczych (przeglądarki, czaty, konwertery, serwery modeli) pracuje u ciebie jednocześnie — i świadomie decyduj, co może zostać otwarte.
Na co uważać: Nie buduj pracy na stercie agentowych blokad rozrzuconych po kilku środowiskach — nawet pojedyncze „drobiazgi” razem tworzą presję na pamięć.
4.Model w chmurze nie znaczy „zero obciążenia lokalnie”
Na czym polega: Nawet gdy odpowiedzi generuje centrum danych, twoja maszyna kręci serwerem deweloperskim, przeglądarką testującą efekt i narzędziami budowania. Dwóch agentów z różnymi projektami to dwukrotność lokalnego bagażu.
Jak stosować: Przy ostrzeżeniach pamięciowych włącz lokalne narzędzia do diagnozy — tam zwykle leży i przyczyna, i rozwiązanie.
Na co uważać: Na zakup karty graficznej jako „punktowej odtrutki”. Dokupujesz pojemność, nie rozwiązanie — najpierw audyt i porządek.
5.Daj każdemu agentowi znak stopu i miejsce na wyniki
Na czym polega: Agenty są trenowane tak, by nie przerywać pracy. Bez wyraźnego warunku zakończenia będą ciągnąć dalej i podjadać zasoby; niedomknięte procesy trzymają pamięć i dysk długo po twoim odejściu od zadania.
Jak stosować: W każdym zleceniu definiuj moment „skończone” oraz katalog, w którym lądują wyniki. Po zakończonym projekcie jawnie gasź resztki: serwery deweloperskie, karty, czaty.
Na co uważać: Ludzka uwaga odchodzi szybciej niż procesy — otwartość karty z projektem to wciąż aktywne obciążenie, nawet gdy o niej zapomniałeś.
6.Kolejka zamiast wszystkiego naraz — zleć profilowanie agentowi
Na czym polega: Przy dwunastu dokumentach nie puszczaj dwunastu zadań równolegle. Agent potrafi sam zbadać profil obciążenia i rozplanować całość, przepuszczając jeden–dwa ciężkie kroki naraz.
Jak stosować: Poproś wprost: „Dostroj się do mojego obciążenia. Zacznij od jednego aktywnego zadania, potem przejdź na dwa, mierz zużycie pamięci i czas wykonania.”
Na co uważać: Jeśli dodatkowe zadanie wyhamowuje całość, właśnie osiągnąłeś granicę maszyny — cofnij się o stopień, zamiast dorzucać sprzęt.
7.Liczba rdzeni nie przełoży się jeden do jednego na liczbę agentów
Na czym polega: Dwa agenty czekające na odpowiedź chmury ledwie dotykają procesora; dwa agenty prowadzące dużą kompilację albo render wideo zjedzą wszystkie rdzenie, które masz.
Jak stosować: Przy zakupie myśl o swoim realnym profilu pracy: częste lokalne budowanie i renderowanie — więcej rdzeni i RAM; głównie czekanie na chmurę — wystarczy mniej.
Na co uważać: Nie optymalizuj jednej liczby ze specyfikacji bez rozumienia obciążenia, pod które faktycznie używasz komputera.
8.Widełki zakupowe: 24–32 GB RAM i pół terabajta na start
Na czym polega: Autor przyjmuje 24–32 GB pamięci jako punkt wyjścia (16 GB da się uczynić używalnym, ale wymaga częstszej gimnastyki) oraz 512 GB dysku, a 1 TB przy dużych plikach i projektach wideo. Sprzęt kupuje „dla siebie”, zakładając, że narzędzia agentowe będą się z czasem zmieniać.
Jak stosować: Przeanalizuj własne nawyki: jeśli narzędzia agentowe mają stać otwarte obok zwykłych aplikacji — celuj w górną półkę widełek; przy dużych plikach — w terabajt.
Na co uważać: Bazowy Mac mini (16 GB / 256 GB) to konfiguracja odchudzona, a wersja Pro (do 64 GB, od 1699 USD) opłaca się głównie przy trwałej pracy z lokalnymi modelami.
9.Stary komputer plus Tailscale to druga maszyna agentowa
Na czym polega: Zamiast pozbywać się starego sprzętu, można go podłączyć do prywatnej sieci (Tailscale), oddać agentom i przerzucać tam wolniejsze zadania — znacznie taniej niż nowy zakup.
Jak stosować: Zainstaluj Tailscale na starym Macu mini lub laptopie, zdalnie zarządzaj nim z dowolnego miejsca i traktuj jako „wspólnika” głównej maszyny.
Na co uważać: Maszyna pracująca w tle wymaga innego reżimu opieki niż ta, przy której siedzisz; na komputerze codziennego użytku priorytet powinien mieć człowiek, nie agenty.
10.Konserwacja to stałe zlecenie dla agenta, nie jednorazowy wysiłek
Na czym polega: Bez regularnych przeglądów bałagan wraca. Sam autor ma dedykowanego agenta, którego jedynym zajęciem jest pilnowanie zdrowia jego instalacji Linuksa.
Jak stosować: Ustal cykliczne zadanie „zdrowotne”: raport, co urosło, wskazanie procesów do wygaszenia, śledzenie katalogów; wnioski zapisuj w wytycznych projektu, żeby ich nie wynajdywać od nowa.
Na co uważać: Sprzątanie tylko za twoją zgodą — agent najpierw raportuje, ty zatwierdzasz. Jednorazowy skok na miotłę nic nie da, jeśli brakuje rytmu przeglądów.
Redakcyjne tłumaczenie
Wstęp: masz współlokatora, który nie sprząta
Powiedzmy to wprost: nie jesteś już jedynym użytkownikiem swojego komputera. Jeśli agenty pracują u ciebie cały dzień, to prawdopodobnie korzystają z maszyny częściej niż ty. Wiem, co myślisz: „mój Mac się starzeje, czas na coś większego”. Może właśnie porównujesz ceny Maca mini albo Maca Studio, może przyglądasz się maszynie z Nvidią. Problem w tym, że szybszy procesor i więcej pamięci nie zatrzymają obciążenia, które rośnie i rośnie, im więcej zadań zlecasz agentom. One otwierają przeglądarki, startują serwery, zapisują pliki — a gdy robota się skończy, spora część tego wszystkiego zostaje na maszynie. Krótko mówiąc: wprowadził ci się nieporządny współlokatór i nikt nie ustalił zasad wspólnego mieszkania. Czas je ustalić — i spokojnie, ja te zasady dla ciebie spisałem.
Do odcinka dołącza przewodnik na Substacku z trzema promptami, które możesz od razu wręczyć agentowi: pierwszy wskaże, co pożera twoją maszynę, drugi posprząta wyłącznie to, na co dasz zgodę, a trzeci ułoży regularny przegląd, żeby obciążenie pamięci i wszystko, co spowalnia komputer, nie wracało jak bumerang. Link znajdziesz w opisie filmu, a jeśli twoje środowisko ma dostęp do MCP Nate’a (mechanizmu podłączania zewnętrznych zasobów do agenta), narzędzie samo pociągnie te prompty z biblioteki i zabierze się do pracy — bez wchodzenia na Substack.
Po tym materiale będziesz wiedzieć, który komputer pasuje do twoich zadań agentowych, jak wycisnąć więcej użytecznej pracy z maszyny stojącej na biurku oraz jak zadbać, żeby układ „człowiek–agenty” działał niezawodnie także wtedy, gdy zadań przybędzie. Wszystkie te decyzze połączą cztery zasady.
Przegląd kontrolny: najpierw diagnostyka
Zacznij jak u lekarza — od badania. Na Macu otwórz Monitor aktywności, przejdź do zakładki „Pamięć” i po prostu patrz na wykres obciążenia, gdy rusza praca, na której ci zależy, z agentami w tle. Wykres ma kolory: zielony znaczy, że system daje radę, żółty i czerwony — że maszyna się dusi. U mnie, szczerze mówiąc, bywa żółto i czerwono. Zajrzyj też, które aplikacje pochłaniają pamięć. Wysoka wartość zużycia RAM nie przesądza jeszcze, że potrzebujesz innego komputera — przesądza natomiast, że musisz przyjrzeć się systemowi.
Kolejny etap oględzin to dysk: Ustawienia systemowe, Ogólne, Pamięć masowa. RAM to przestrzeń robocza tego, co robisz właśnie teraz; dysk trzyma pliki i oprogramowanie. macOS potrafi używać pamięci masowej jako pamięci wymiany — tymczasowo przejmuje tam zawartość RAM-u, trochę jak blokada środków na karcie płatniczej, żeby jedno drugiemu nie przeszkadzało. W gruncie rzeczy musisz jednak przemyśleć, jak tę pamięć przydzielasz, żeby nie budować niczego na stercie agentowych „blokad” rozrzuconych po kilku środowiskach. I właśnie to często widzę: Claude w Chrome, garść pamięci roboczej w innej przeglądarce (u mnie Zen), coś jeszcze w Codexie, coś w Claude, do tego jakieś narzędzie do transkrypcji… To się sumuje i razem tworzy presję na pamięć.
Łatki laboratoriów nie wystarczą
Laboratoria ten problem zauważyły. Tibo z OpenAI niedawno wypuścił poprawkę Codexa ograniczającą jego zużycie pamięci — bo zdecydowanie to bolało. Ale takie doraźne łatki nie wystarczą, zwłaszcza jeśli — jak większość z nas — prowadzisz równolegle kilka środowisk agentowych (tzw. harnessów, czyli narzędzi w rodzaju Codexa czy Claude Code). Znam wielu ludzi z tej społeczności, którzy obok siebie trzymają lokalne modele typu Qwen, Claude’a i Codexa. Potrzebujemy systemu, który działa ze wszystkimi narzędziami naraz — i o tym jest ten materiał.
Zasada pierwsza: wiedz, gdzie wykonuje się praca
Wyobraź sobie, że prosisz Codexa lub Claude Code o zbudowanie małej strony internetowej — typowa prośba. Model może odpowiadać z centrum danych, ale to nie znaczy, że twój komputer jest wolny. To on wciąż kręci serwerem deweloperskim, przeglądarką sprawdzającą stronę i narzędziami budowania. Wszystko to dzieje się lokalnie i wszystko to czujesz. A jeśli równolegle zlecisz innemu agentowi inny projekt, ten ruszy z kolejnym zestawem narzędzi — i znów uderzy w tę samą maszynę. Przerabiałem to na własnej skórze, gdy Claude robił u mnie filmy w Blenderze, a Codex równolegle coś innego: te narzędzia po prostu pałaszują pamięć.
Jeśli więc dostajesz ostrzeżenia o pamięci, włącz lokalne narzędzia do diagnozy i zakładaj, że to właśnie na nich skupi się rozwiązanie. Nie chodzi o to, żebyś przestał pracować z agentami — tylko o to, żebyś robił to świadomie i schodził na poziom szczegółów. Upewnij się, że nie kupujesz karty graficznej w nadziei, że stanie się punktową odtrutką. Jak będę powtarzać: można dokupić pojemność, ale nie da się wykupić z problemu, bo agenty będą coraz zdolniejsze. Podsumowując: traktuj kwestię pamięci jako lokalną, do rozliczenia z agentami, zanim dorzucisz kolejne zadania.
Jeśli prowadzisz model lokalnie, musisz przemyśleć jego wymagania obliczeniowe. A jeśli — jak w praktyce większość — prowadzisz zestaw mieszany, powinieneś umieć w ustawieniach rozpoznać, które narzędzie kiedy uderza w pamięć: kiedy robi to lokalny Qwen, a kiedy Codex i Claude. To musi być dla ciebie widoczne.
Skończony projekt zostawia po sobie ślad
Wróćmy do naszej strony. Agent kończy robotę, ty przechodzisz dalej — ale serwer deweloperski i przeglądarka wciąż wiszą otwarte w tle. Ludzie nie zdają sobie sprawy, że uwaga człowieka odeszła, a narzędzia nadal zajmują zasoby: wciąż trzymają swoją „blokadę” na pamięci roboczej, a projekt ciąży zależnościami i plikami budowania na dysku. Żeby pliki zniknęły, a blokada puściła, trzeba realnie wszystko wyłączyć.
I uwaga: choć większość przykładów dotyczy agentów, część bałaganu to po prostu błędy oprogramowania agentowego. W jednym z publicznych zgłoszeń Codexa użytkownik opisał folder raportów awarii, który urósł ponad 50 GB — samych opisów awarii. Inny policzył ponad 100 GB obiektów Gita związanych z punktami kontrolnymi kolejnych rund rozmowy. To konkretne, dość nietypowe konfiguracje; nie twierdzę, że to twój przypadek. Twierdzę, że warto znać szczegóły własnej maszyny — dlatego tak nalegam: najpierw audyt, potem strategia naprawy ustalona razem z agentem.
To zresztą idealne zlecenie dla agenta. Skrócona wersja promptu diagnostycznego brzmi tak: „Zbadaj mój komputer. Niczego nie zmieniaj. Wskaż największych konsumentów pamięci — te prawdziwe odkurzacze — oraz istotne katalogi. Wyjaśnij, do czego każdy służy, i zaproponuj konkretne poprawki, które pomogą mi w mojej prawdziwej pracy.” Pełny prompt i przewodnik są na Substacku, bo potrzebujesz kompletnego programu higieny. Zacznij jednak od raportu: to, że folder jest używany, nie mówi jeszcze, czy jest używany sensownie — trzeba zajrzeć do środka.
Przykład: audyt pokazuje, że naraz działa kilka serwerów deweloperskich. To ja — miewałem tak przy kilku projektach pobocznych. Zanim cokolwiek ubijesz, sprawdź, co dany serwer właściwie serwuje. Projekt skończony? Serwer zbędny? To był tylko eksperyment? Zamknij go i zobacz, czy obciążenie pamięci oraz dysku puszcza. Ustal, co da się odtworzyć, i dopiero wtedy wybierz metodę sprzątania. Jeśli brzmi to nudno — mam wiadomość: z ograniczeniami obliczeniowymi żyjemy od lat osiemdziesiątych i właśnie do nich wróciliśmy, bo agenty wprowadziły się do naszych komputerów jak współlokatorzy. Musimy tylko nauczyć się z nimi mieszkać.
Inne miejsce, gdzie warto zajrzeć, to kwestie dysków SSD. Pamięci półprzewodnikowe błyskawicznie zapisują i kasują dane. Na początku tego roku w Codexie doszło do nadmiernego logowania — jeden z użytkowników zmierzył około 37 terabajtów zapisów na SSD w ciągu 21 dni. To bardzo dużo. Poprawki logowania weszły w czerwcu, a późniejsza wersja dodała odzyskiwanie nieużywanej przestrzeni bazy logów. To postęp, ale sama obecność takiego problemu powinna przypominać, że to oprogramowanie wciąż się zmienia — i warto pilnować, jak obchodzi się z fizycznymi częściami naszych maszyn.
Zdolniejsze agenty, większy naturalny przyrost
Część wzrostu zużycia to nie błędy — to po prostu działające funkcje. Spójrzcie na rozwój agentów kodujących od stycznia: work tree (osobne rozgałęzienia robocze repozytorium), niezależne katalogi z własnymi zależnościami i pamięciami podręcznymi budowania. Codex ma ustawienia do zarządzania takimi środowiskami — ale zanim wybierzesz konfigurację, przemyśl, jak i gdzie naprawdę chcesz prowadzić projekt.
Tu krótka dygresja: chmura czy lokalnie? Odsłonię karty: trzymam się lokalnego środowiska tak długo, jak się da, bo lokalnie bez trudu przeskakuję między narzędziami — wskazuję katalog i mówię „pracuj tu”. Nie da się jednak uciec od przemyślenia tej kwestii, niezależnie od wybranego wariantu.
Zasada druga: każdemu agentowi znak stopu
Moja reguła praktyczna: każdemu agentowi daj znak stopu — warunek, który definiuje moment „skończone” — i każ wyniki składać w miejscu, które łatwo znajdziesz. W większości wypadków zaczynamy rzeczy i zostawiamy je nie dokończone: karta Chrome z projektem, czat z kręcącym się serwerem deweloperskim. Skoro agent nie dostaje powodu do zatrzymania, to — wytrenowany metodami uczenia ze wzmocnieniem — po prostu ciągnie dalej i podjada twoją maszynę. Większa pojemność daje więcej przestrzeni, ale tego problemu nie rozwiązuje. Musisz go rozstrzygnąć sam. I to była zasada druga.
Zasada trzecia: rozłóż obciążenie w czasie
Masz tuzin dokumentów do przetworzenia? Wrzucasz dwanaście zadań do kolejki — scenariusz jak najbardziej realny, sam tak robię — a potem przepuszczasz jeden, najwyżej dwa ciężkie kroki naraz. Agent potrafi zbadać profil obciążenia i rozplanować całe zadanie bez uruchamiania wszystkich przeglądarek, konwerterów i lokalnych modeli w tej samej chwili. I powinien to zrobić — wystarczy go poprosić: „Dostroj się do mojego obciążenia. Zacznij od jednego aktywnego zadania, potem przejdź na dwa, obserwuj, jak kończy się praca i ile pamięci pochłania.” Agent jest tu znakomitym partnerem: zasoby obliczeniowe to jego żywioł, sam sprawdzi, co siedzi w maszynie. A jeśli dodatkowe zadanie wszystko wyhamuje, właśnie dowiadujesz się, że wycisnąłeś sprzęt do granic — i trzeba cofnąć się o pół kroku.
Dlatego liczba rdzeni nie przekłada się wprost na liczbę agentów. Nie ma tu prostej odpowiedzi: dwa agenty czekające na odpowiedź z chmury ledwie tkwią lokalnie, ale dwa agenty prowadzące dużą kompilację albo render wideo zjedzą wszystkie rdzenie, jakie masz. Więcej rdzeni pomaga, gdy oprogramowanie umie je wykorzystać; więcej pamięci pomaga, gdy aktywna praca tej przestrzeni rzeczywiście potrzebuje. Nie da się optymalizować jednej liczby bez myślenia o obciążeniu, pod które maszynę faktycznie używasz.
Jeśli inwestujesz w mocny sprzęt, ten sam proces pozwoli wycisnąć z niego więcej: podziel zadanie na etapy, pozwól kilku agentom badać i planować, podczas gdy duże lokalne budowania przechodzą z kolejki pojedynczo. W ten sposób dopasowujesz harmonogram do zasobów, zamiast każeć każdemu zadaniu walczyć o nie w tej samej sekundzie. I tak, możesz to zlecać agentom — po części właśnie dlatego buduję te prompty, bo to zbyt dużo, żeby ogarniać ręcznie.
Zerknij też na pracę, która w ogóle nie musi się wydarzyć. Niech agent obejrzy istniejący projekt, zanim postawisz kolejne środowisko. Korzystaj ponownie z tej samej przeglądarki, gdzie to ma sens. Trzymaj wyniki w przewidywalnej strukturze katalogów, którą rozumiecie i ty, i agent. Poproś go o wskazanie procesów, które mają pozostać uruchomione po zakończeniu pracy. Wnioski zapisuj w wytycznych projektu, żeby dało się je wykorzystywać ponownie.
Przy modelach lokalnych ustawienia oprogramowania robią ogromną różnicę. Docker Desktop ma limity dla swojej maszyny wirtualnej i tryb oszczędzania zasobów podczas bezczynności. Serwery modeli mają przełączniki obsługi kontekstu, żądań równoległych i czasu trzymania modelu w pamięci. Wszystko to rzutuje na obciążenie maszyny — w przewodniku rozpisuję Ollamę, LM Studio i Dockera, bo (nie da się ukryć) pasjonuję się wyciskaniem maksimum z tego, co się ma.
I jeszcze jedno: modele lokalne nie zwalniają cię z planowania. Większy kontekst zje więcej pamięci. Równoległe żądania sumują się. Model trzymany na stałe w pamięci skraca czas reakcji przy kolejnym zapytaniu, ale między zadaniami sam zajmuje RAM. Kompromis trzeba wybrać razem z agentem, pod własny styl pracy.
Dopiero teraz rozmowa o sprzęcie
O zakupie nowego komputera rozmawiamy dopiero wtedy, gdy stary jest wyciśnięty: audyt zrobiony, profil obciążenia prześwietlony. Wtedy zastanawiasz się nie tylko nad tym, czy dokupić, ale i czy zdołasz nowe moce wykorzystać sprawnie. Prowadzisz z sobą rozmowę o zwrocie z inwestycji — albo po prostu ulegasz zachwytowi i kupujesz. Ja przynajmniej tę rozmowę prowadzę, bo to drogie zabawki.
Jedna rada na start: kupując nowy komputer, nie pozbywaj się starego. Trzymaj go przy życiu i oddaj agentom — da się na niego przerzucić mnóstwo wolniejszych zadań, odciążając główną maszynę. Narzędzia pokroju Tailscale świetnie się do tego nadają.
Zanim przejdziemy do marek, ustalmy poziomy. Moje założenie wyjściowe — chyba że jesteś użytkownikiem skrajnie ciężkim — to dziś 24–32 GB pamięci. Szesnaście da się uczynić używalnym, ale wymaga częstszej gimnastyki. Wyższy przedział zostawia przestrzeń, żeby zwykłe aplikacje i narzędzia agentowe stały otwarte obok siebie. Nie kupuję sprzętu sztywno zestrojonego pod Codexa czy Claude’a — kupuję go dla siebie, zakładając, że narzędzia będą się z czasem zmieniać. Na dysk: pół terabajta jako punkt wyjścia, terabajt przy dużych plikach i projektach wideo. Budujesz strony, generujesz dużo filmów? Niech o pojemności decydują twoje realne nawyki, nie tabela specyfikacji.
Czemu Mac, a nie Windows? Powiem szczerze, jak zawsze: rewolucja AI na Macu wyprzedza Windowsa o jakieś sześć–osiem miesięcy. Windowsy też dostają te możliwości, tylko wolniej — po części dlatego, że w laboratoriach wszyscy pracują na Macach, po części dlatego, że chipy Apple są lepiej dostrojone pod AI. Mówiąc o Macach, daję wskazówki, które przeniesiesz też gdzie indziej; ale najostrzejszy ból — maszyny, które widzę, jak się dławią — to Maci ludzi, którzy entuzjastycznie rzucili się na agentów i mocno ich obciążają. Dlatego mówię o Macach konkretnie.
Konkretne wyceny i poziomy zaawansowania
W cenniku Apple Mac mini M6 kosztuje 899 dolarów — wersja bazowa ma wspomniane 16 GB pamięci i ćwierć terabajta, czyli 256 GB dysku. Na tle moich widełek to konfiguracja raczej szczupła, ale da się z nią funkcjonować. Wersję konfigurowalną tego modelu da się doposażyć do 32 GB pamięci, a Mac mini M5 Pro startuje od 1699 dolarów i sięga 64 GB. Przy wersji Pro musisz naprawdę chcieć: zobowiązujesz się do dużej aktywnej pamięci i długotrwałej pracy lokalnej, najpewniej z lokalnymi modelami. Przemyśl to.
(Informacja dodatkowa: ceny pochodzą z amerykańskiego cennika Apple; w Polsce, po doliczeniu VAT-u i przeliczeniu waluty, wyjdą wyraźnie wyżej.)
Robiłem kiedyś film o Macach i dopiero przy okazji tego materiału zauważyłem, że mówiłem o nich jak o przedmiotach zakupu — rzeczach wybieranych w sklepie — a o obciążeniach AI jedynie na marginesie. Ten odcinek powstaje, bo im głębiej wchodzimy w agenty, tym bardziej ta relacja się zazębia: żeby dobrze kupić, muszę rozumieć, co właściwie robią moje agenty.
Dla podróżujących MacBook ma sens — wsuwasz go do plecaka i ruszasz w świat. Zadbaj tylko o to, żeby droga maszyna cię nie krępowała. I tu znowu pomaga Tailscale: możesz nim z daleka zarządzać Maciem mini albo starym laptopem, mając przy sobie tylko komputer roboczy. Ale nawet wtedy maszyna, przed którą siedzisz, musi udźwignąć pracę, która jest przed tobą.
Producenci chipów — Apple włącznie — mocno trąbią o jednostkach NPU, czyli układach przyspieszających obliczenia AI, jakby to była gotowa odpowiedź na wszystko. Powiem wprost: możesz je wykorzystać w swoich zadaniach, ale to nie cudowny lek. Kupujesz sprzęt, żeby odhaczyć konkretną pracę, i optymalizujesz cały system — pamięć, dysk, procesor — a nie jeden magiczny układ. Nie daj się nabrać na czarodziejskie funkcje; porządny audyt powie ci, czy faktycznie brakuje ci rdzeni, pamięci czy może dysku.
Jeśli celem są lokalne modele — a wiem, że wielu z was trzyma się tej wizji — kluczowa będzie pamięć dostępna dla akceleratora i towarzyszące jej oprogramowanie. Mac Studio z większym zapasem, układ Nvidii, może maszyna AMD z pamięcią zunifikowaną: przemyśl, jak te różne architektury pozwalają prowadzić różne obciążenia. I porozmawiaj o tym… ze swoim agentem: przejdźcie razem techniczne szczegóły tego, jak obecne zadania zjadają pamięć i rdzenie, a potem przesymulujcie te liczby na różnych konfiguracjach. Wtedy zobaczysz, gdzie realnie dostaniesz najwięcej za swoje pieniądze.
Mac z Apple Silicon i większą pamięcią pozwoli prowadzić lokalne modele i zwykłe aplikacje natywne. W ekosystemie Nvidii GeForce RTX to potężna droga — ten sprzęt jest wprost projektowany pod lokalne modele — ale zakłada CUDA, obliczeniową platformę Nvidii. Jeśli twoja praca opiera się na narzędziach GPU, dostrajaniu i douczaniu modeli, wszystko gra. Jeśli jesteś właśnie tym typem zapaleńca — a wiem, że tacy są wśród was — brawo. W świecie AMD, gdzie anegdotycznie siedzi niewiele osób, chcesz złożyć konfigurację z bardzo dużą pamięcią, żeby zwyczajny PC z Windows czy Linuksem działał dobrze; niektórzy stawiają Omaki i chwalą sobie, a Nvidia Spark ma własne wymagania programowe. Mógłbym wyliczać dalej, ale sedno jest inne: zdecyduj, jaki poziom utrzymania maszyny i jak precyzyjne profilowanie obciążenia ci odpowiada. Im więcej zapasu, tym luźniej możesz podchodzić do dozowania pracy i tym swobodniej korzystać z maszyny, której część zajęli agenty. Najmniej techniczna droga to Mac; potem robi się coraz techniczniej, a przy Nvidii czy AMD, kiedy sam instalujesz Ubuntu, jesteś już kimś w rodzaju majsterkowicza — i pewnie czerpiesz z tego frajdę, bo dostajesz znacznie więcej kontroli. To trochę jak skrzynia manualna wobec automatycznej.
Chcesz wejść głębiej w lokalne modele i zakupowe rozterki? Materiał o tym jest w komputerowym przewodniku na Substackie. Najważniejsze rozróżnienie: pamięć potrzebna do trzymania modelu lokalnego to wymóg dodatkowy, dokładany na to, co już zużywasz. Przemyśl więc strategię lokalnych modeli osobno. I jeśli kupujesz maszynę z wielką pamięcią, miej dla niej dobry powód: albo prowadzisz dużo modeli w chmurze, które intensywnie używają lokalnych plików i narzędzi, albo faktycznie prowadzisz duży model lokalnie.
Ostatecznie masz trzy wyjścia, z czego większość ludzi — dwa: zostać przy obecnym komputerze (opcja zawsze dostępna, choć może wymagać częstszego profilowania, o którym mówiłem), rozbudować go (coraz częściej blokowane; Mac zdecydowanie to utrudnia) albo kupić nowy i stary przeznaczyć na robotę dla agentów. Każda z tych dróg jest w porządku — byle wybór był świadomy i uwzględniał to, dokąd zmierzają agenty.
Zasada czwarta: konserwacja jako stały obowiązek
Maszyna, przy której pracujesz interaktywnie, domaga się twojej uwagi, gdy zaczyna się dławić. Maszyna zostawiona w tle — choćby zarządzana przez Tailscale — może sobie spokojnie przeżuwać zadania, ale ma inne wymagania co do opieki. Jestem wielkim zwolennikiem dawania agentowi stałego, regularnego obowiązku dbania o zdrowie komputera. Dotyczy to zresztą agentów żyjących na maszynach wirtualnych: mam u siebie całego agenta, którego jedynym zajęciem jest pilnowanie zdrowia mojej instalacji Linuksa — obsesyjnie wręcz się tym zajmuje. Tę samą zasadę możesz przenieść na lokalną maszynę: poproś agenta, żeby śledził katalogi i wiedział, kiedy coś zmienia się na tyle, by zwrócić twoją uwagę; żeby chronił aktywną pracę; żeby stawiał korzystanie człowieka przed korzystaniem agentów i zepychał zadania maszynowe w tło. Możesz odwrócić te priorytety, jeśli wolisz — ale ja lubię po prostu pracować na własnym komputerze. A robić to wszystko można z dużą pewnością, bo agenty świetnie odnajdują się w świecie zasobów obliczeniowych. To, nawiasem mówiąc, jedna z większych zmian ostatniego roku: modele językowe mamy od czasów ChatGPT, ale pewności, że agenty są dość rozsądne, by nam pomagać zarządzać obciążeniem — tej pewności wcześniej nie było. Teraz jest.
Skoro wspomniałem o Tailscale kilka razy, wyjaśnijmy: to sposób zarządzania maszynami przez prywatną sieć. Daje bezpieczne, prywatne połączenie z twoim komputerem z dowolnego miejsca na świecie. Wielu z nas trzyma w ten sposób maszynę w domu i — gdziekolwiek akurat jest — wysyła jej polecenia dla agentów. Konfiguracja nie jest trudna.
Tania moc: stare komputery i Raspberry Pi
Jedno z prostych źródeł sporych oszczędności na mocy obliczeniowej: prawdopodobnie masz gdzieś stary komputer. Stary Mac mini, stary laptop z Windowsem albo z macOS — cokolwiek. Podłączasz go, opiekujesz się nim przez Tailscale, robisz z niego „maszynę agentową”, na której agent może pracować w twoim imieniu. To dużo tańsze niż nowy zakup. A dla entuzjastów sprzętu: Raspberry Pi, te malutkie płytki, od lat pełnią podobną, choć skromniejszą rolę — u mnie w domu napędzają wyświetlacze e-ink i potrafią udostępniać drobne lokalne usługi, gdy laptop jest gdzie indziej. Z pomocą znowu przychodzi Tailscale.
Ile mocy obliczeniowej przeznaczysz na agenty — to ostatecznie twoja decyzja. Częścią powodu, dla którego robię ten materiał, jest chęć oszczędzenia ci pieniędzy: jeśli wykorzystujesz komputer do granic, rzadziej poczujesz potrzebę dokupienia; a jeśli już kupisz, zrobisz to mądrzej.
Pomyśl o tym tak: próbujemy jak najlepiej ułożyć wspólne mieszkanie z agentami. Dom mamy taki, jaki mamy, i pokoje też. Zanim kupimy nowy dom — a to metafora nowego komputera — wykorzystajmy w pełni to, co jest. A jeśli na tyłach stoi stara, nieużywana szopa (moja ulubiona metafora zakurzonego komputera gdzieś pod biurkiem), włączmy i ją w przestrzeń życiową, zanim wydamy kolejne pieniądze. Wszyscy lubimy rozpakowywać prezenty pod choinkę, ale nie lubię trwonić budżetu. Chcę, żebyś miał narzędzia do mądrej decyzji zakupowej — i żebyś tego, co już masz, używał z pewnością siebie.
Na koniec: kto zmywa naczynia
Jeśli twój komputer się dławi — jak mój — zrób test diagnostyczny i zrozum zużycie pamięci, zużycie dysku oraz presję na rdzenie. Zrozum, co za tym stoi, i naucz się profilować pracę. „Profilowanie” brzmi efektownie, a oznacza coś prostego: ustaw kolejność zadań tak, by nie pchać całego obciążenia naraz, bo jego piki po prostu gaszą maszynę. Sam złapałem wczoraj w nocy awarię pamięci, bo jako człowiek otworzyłem jeden nowy program — wcześniej wszystko było w porządku. Takie rzeczy się zdarzają, ale rzadziej, jeśli systemu nie przeciążamy. Krótko mówiąc: mądrze gospodarujmy popytem i rozkładajmy pracę równoległą w czasie.
Następnym razem, gdy siądziesz do komputera, pomyśl: mam współlokatorów. Mieszka ze mną kilku agentów i musimy uzgodnić zasady — kto zajmuje przestrzeń i jak z niej korzystamy, żeby to współdziałanie było produktywne. To w gruncie rzeczy spór o zmywanie naczyni w świecie AI: kto dba o higienę? Nikt nie lubi rozmawiać o naczyniach przy okazji wspólnego mieszkania — to nudny temat, ale bez niego dom nie działa.
Celem tego materiału było przekazać ci podstawy — pamięć, procesor, dysk — pokazać, jak korzystają z nich agenty i ty, i dać ci plan lepszego wykorzystania sprzętu albo mądrego zakupu kolejnego. A jeśli chcesz więcej szczegółów, niż mieści się w filmie: przewodnik na Substackie możesz po prostu wrzucić agentowi, a on pobiegnie z nim dalej — obejmuje wszystkie omawiane narzędzia i pełny audyt. Powodzenia — i tradycyjnie: go Hawks.
(Informacja dodatkowa: „go Hawks” to stałe, żartobliwe pożegnanie autora, którym zamyka każdy odcinek.)